Youtu-VL-4B-Instruct
Tencent · tencent/Youtu-VL-4B-Instruct
Licença dos pesos: Termos do publicador: youtu-vl · código e componentes podem ter outros termos
Qualidade
Sem score comparável
Ainda não acompanhamos benchmark público e comparável que cubra este modelo. Nenhuma nota é inferida.
Informado pelo publicador
Roda em
Cabe na memória rápida 118
A estimativa de planejamento cabe na memória que o modelo usa rápido: a VRAM da placa de vídeo, ou a memória unificada dentro da fatia de GPU do macOS.
Mostrar todos os 118
Na memória, fora da parte rápida 1
Dentro da memória da máquina, fora da parte rápida: na placa de vídeo, as camadas que não cabem rodam na CPU a partir da RAM do PC (a RAM informada, ou 32 GB presumidos); no Mac, acima da fatia de GPU padrão do macOS. Não é um número de velocidade.
Perfis de hardware agrupados pela estimativa de planejamento Q4 em cada máquina (GPUs dedicadas reservam 2 GB; memória unificada e do sistema, 25%, de 2 a 8 GB): cabe na memória rápida, fica na memória mas fora da parte rápida (camadas na RAM do PC, ou acima da fatia de GPU do macOS), ou falta um degrau de memória. Não é compatibilidade nem velocidade medida.
Tencent lançou Youtu-VL-4B-Instruct em 2026-01-27: um modelo de visão e linguagem que responde sobre imagens, com 5,3B parâmetros pela contagem do Hugging Face e licença Termos do publicador: youtu-vl.
Licença: uso comercial permitido com condições: Sem licença para uso na União Europeia. Em Q4 os pesos somam cerca de 4 GB antes da reserva de cada máquina; resolução da imagem, quadros de vídeo e contexto somam memória, e o encoder visual precisa de suporte no runtime escolhido.
Velocidade medida
Nenhuma medição publicada para este checkpoint
Tokens por segundo só aparecem quando uma fonte os publica com hardware, build e configuração. Nunca são estimados.
Como rodar
Compatibilidade de runtime e tokens por segundo não foram medidos para este registro. Metadados publicados e estimativa de memória não comprovam uma execução local.
Biblioteca na fonte: transformers
Formas documentadas de rodar
Copiado como aparece na fonte vinculada (lida em 2026-10-18); não executado por este site.
pip install "transformers>=4.56.0,<=4.57.1" torch accelerate pillow torchvision git+https://github.com/lucasb-eyer/pydensecrf.git opencv-python-headlessfrom transformers import AutoProcessor, AutoModelForCausalLM
model = AutoModelForCausalLM.from_pretrained(
"tencent/Youtu-VL-4B-Instruct", attn_implementation="flash_attention_2", torch_dtype="auto", device_map="cuda", trust_remote_code=True
).eval()
processor = AutoProcessor.from_pretrained(
"tencent/Youtu-VL-4B-Instruct", use_fast=True, trust_remote_code=True
)
img_path = "./assets/logo.png"
messages = [
{
"role": "user",
"content": [
{"type": "image", "image": img_path},
{"type": "text", "text": "Describe the image"},
],
}
]
inputs = processor.apply_chat_template(
messages,
tokenize=True,
add_generation_prompt=True,
return_dict=True,
return_tensors="pt"
).to(model.device)
generated_ids = model.generate(
**inputs,
temperature=0.1,
top_p=0.001,
repetition_penalty=1.05,
do_sample=True,
max_new_tokens=32768,
img_input=img_path,
)
generated_ids_trimmed = [
out_ids[len(in_ids) :] for in_ids, out_ids in zip(inputs.input_ids, generated_ids)
]
outputs = processor.batch_decode(
generated_ids_trimmed, skip_special_tokens=True, clean_up_tokenization_spaces=False
)
generated_text = outputs[0]
print(f"Youtu-VL output: {generated_text}")Detalhes técnicos
O que a fonte e o catálogo guardam deste checkpoint. Campos ausentes ficam de fora, nunca como zero.
- Checkpoint / fonte
- tencent/Youtu-VL-4B-Instruct
- Tarefa
- image-text-to-text
- Arquitetura
- YoutuVLForConditionalGeneration
- Biblioteca na fonte
- transformers
- Licença dos pesos
- Termos do publicador: youtu-vlYoutu-VL license (card license_link) · consultado em 2026-10-18fonte
- Uso comercial
- Permitido com condições Sem licença para uso na União Europeia · Youtu-VL license (tencent/Youtu-VL-4B-Instruct LICENSE.txt): MIT-style grant, condition 1 excludes the EU · consultado em 2026-10-18texto da licença
- Lançamento
- Youtu-VL: Unleashing Visual Potential via Unified Vision-Language Supervision (arXiv 2601.19798 v1, Tencent Youtu Lab) · consultado em 2026-10-18fonte
Todos os campos guardados
- Revisão conferida
- 8d30a0e49662a1d628a472b12df264dbcd768753
- Arquitetura
- YoutuVLForConditionalGeneration
- Biblioteca
- transformers
- Tag de tarefa no Hub
- image-text-to-text
- Formatos
- safetensors
- Acesso
- Download aberto
- Tipo de publicador
- Oficial
- Repositório criado
- 2026-01-23criação não é o lançamento do modelo
- Repositório atualizado
- 2026-02-10um commit não é data de lançamento
- Downloads no Hub (30 dias) · curtidas
- 1.533 · 163só este repositório · lido em 2026-10-25
- Lido na página do Hub
- classe transformers, tags de tarefaVisão geral e lista de arquivos do Hub · lido em 2026-10-18
- Estado no catálogo
- Config ou pesos encontrados no Hub; sem vínculo de benchmark no inventário
Fontes
Identidade e especificações publicadas vêm da página do checkpoint. As notas pertencem à rodada indicada e não medem velocidade no seu computador.
- Ficha do publicador
- Licença: Youtu-VL license (card license_link)
- Data de lançamento: Youtu-VL: Unleashing Visual Potential via Unified Vision-Language Supervision (arXiv 2601.19798 v1, Tencent Youtu Lab)
Fatos curados verificados: 2026-10-18. A licença e a data de lançamento citam as fontes do publicador; parâmetros, arquivos e tarefa vêm do registro do Hugging Face, e a memória é uma estimativa rotulada a partir da contagem de parâmetros. Um valor que nenhuma fonte informa fica vazio; um commit do repositório não é a data de lançamento do modelo.






























































